Kanser sınıflandırması için hibrit modeller: Konvolüsyonel sinir ağlarının transformatörlerle birleştirilmesi
No Thumbnail Available
Date
2024
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
ANKARA ÜNİVERSİTESİ
Abstract
Meme kanseri (MK), en yaygın ve en ölümcül malignite türlerinden biridir ve ister zengin ister az gelişmiş ülkelerde yaşıyor olsunlar, küresel olarak kadınlar arasındaki kayıpların önemli bir yüzdesini oluşturmaktadır. MK tespiti için, ultrasonografi ile birlikte radyografi yaygın görüntüleme teknikleridir. Bunlarla birlikte kanser histopatolojisi görüntüleri kullanılmaktadır. Kanser histopatolojisi görüntülerinin, yalnızca bir tümörün varlığını tespit edebilen ve kanserin iyi huylu veya kötü huylu olup olmadığını belirleyebilen radyografi ve ultrason görüntülerinin aksine, meme kanserinin spesifik alt türlerini belirleme kapasitesi vardır. Evrişimli sinir ağları on yılı aşkın bir süredir görüntü sınıflandırılmasında çok önemli bir rol oynamaktadır. Son zamanlarda, görüntü dönüştürücüler çeşitli bilgisayarla görme görevlerinde evrişimli sinir ağlarına (CNN'ler) karşı güçlü rakipler olarak ortaya çıkmıştır. Tıbbi görüntülerin sınıflandırılmasında hem konvolüsyonel sinir ağlarının (CNN'ler) hem de Swin dönüştürücü avantajlarından yararlanarak meme kanseri histopatoloji görüntülerinin sekiz alt sınıfını sınıflandırmak için dört yeni hibrit model önerdik. Önerdiğimiz modellerden MobileNetV2-Swin hibrit modeli, çok sınıflı sınıflandırma için %95.7 ile en yüksek test doğruluğunu elde ederken, bunu %94.4 ile DenseNet121-Swin hibrit modeli ve %91.5 ile VGG16-Swin hibrit modeli takip etmiştir. InceptionV3-Swin hibrit modeli %90.0 test doğruluğu ile sonuncu olmuştur.
Description
Keywords
Bilgisayarla görme, Derin öğrenme, Makine öğrenmesi